Mário Campos, Manuel João Ferreira, Teresa Martins ENERMETER – Sistemas de Medição, Lda. Tel.: +351 253 287 237 enermeter@enermeter.pt • www.enermeter.pt
O trabalho que aqui se apresenta teve como objetivo desenvolver uma ferramenta com capacidade para integrar informação de diversos espaços de cor e para a medição de desvios de cor. O desenvolvimento e industrialização da tecnologia de calibração e medição de cor, implementados neste projeto, resultaram numa nova solução que a ENERMETER pretende disponibilizar amplamente aos seus clientes. Estando já uma unidade instalada e em pleno funcionamento numa das fábricas do grupo Faurecia em São João da Madeira. Em especifico, nesta unidade fabril implementou-se um sistema para a inspeção da cor do pesponto em encostos de assentos de automóvel.
UREËWLFD
&$6( 678'<
Sistema de Análise de Cor para Têxtil Automóvel com Variação de Cor Equivalente ao do Sistema de Visão Humano rendo a sistemas de visão com caraterísticas tradicionais (câmara) ao invés de unidades mais complexas que recorrem ao processamento do espetro de cor visível. O presente artigo descreve um sistema de análise de desvio de cor baseado em caraterísticas extraídas de distintos espaços de cor e na aplicação de um classificador Bayesiano. Em específico, o sistema desenvolvido efetua o controlo a 100% da produção de encostos de cabeça de assentos de automóvel, verificando a conformidade da cor do pesponto com a definida pela produção. A Figura 1 mostra duas imagens de distintos pespontos, com tonalidades cinza, de encostos típicos deste setor industrial. A Figura 1a) apresenta o pesponto com uma tonalidade cinza mais clara num grupo de 5 tons de cinza, e a Figura 1b) é exemplificativa de uma tonalidade intermédia de cinza. Figura 1. Imagens típicas de pespontos de encostos de assentos de automóvel. a) Pesponto com tonalidade cinza mais claro num grupo de 5 tons de cinza; b) Tonalidade intermédia de cinza.
I. INTRODUÇÃO O aumento da competitividade, como consequência da economia globalizada, tem levado as empresas a uma procura contínua pela excelência na produtividade e qualidade dos seus produtos. A melhoria da produtividade tem sido auxiliada pela automação industrial, permitindo que as empresas produzam cada vez mais com um custo reduzido. No entanto, não é suficiente apenas incentivar ao aumento da produtividade, uma vez que é fundamental que o controlo de qualidade evolua de forma semelhante. Em alguns setores industriais uma das propriedades visuais mais definidoras dos atributos de qualidade dos materiais é a cor, tais como, têxtil, cerâmica e indústria automóvel. O recurso à integração de espaços de cor uniformes (CIE L*a*b*) e a processos de calibração “inteligentes” e adaptáveis começa a permitir efetuar medição de cor recor-
Distintos métodos podem ser encontrados na literatura para a gradação ou classificação de cor em superfície. Alguns destes métodos são abordagens não supervisionadas, recorrendo tipicamente aos Self-Organizing Maps (SOM) [1], enquanto outras recorrem a técnicas supervisionadas tais como lógica difusa [2], redes neuronais do tipo backpropagation [3] e a classificadores Bayesianos [4]. O classificador Bayesiano aplicado aos histogramas de cor de uma imagem tem apresentado bons resultados na combinação de cores e tem uma implementação e parametrização mais simples, o que é um fator importante quando se trata de aplicações industriais.
falsa rejeição de 0%. O sistema encontra-se em pleno funcionamento desde essa altura na linha produtiva.
IV. CONCLUSÕES A solução apresentada classifica pespontos de encostos de assentos de automóvel com base nos seus histogramas de cor, em específico, faz uso dos canais do espaço de cor CIE L*a*b* e HCL. Figura 3. Imagens do sistema de visão na linha produtiva nas instalações da Faurecia.
de processamento – área na imagem do pesponto, sendo posteriormente feita uma segunda aquisição agora com o tempo de exposição adequado ao processamento e análise da cor.
&$6( 678'<
O sistema de visão implementado nas instalações da Faurecia pode observar-se na Figura 3. O sistema de visão está totalmente integrado na linha, controlando a unidade de ultrasol que previamente se encontrava na linha produtiva. A componente de hardware do sistema de visão é constituída por: Computador (com sistema operativo Windows 7, 64 bits), rato, teclado e monitor; Leitor de código de barras; Duas câmaras a cores AVT PIKE 504C; Dois conjuntos de iluminação - calote e anel de LEDs; Um quadro elétrico; Estrutura de suporte.
O classificador usado baseia-se no Teorema de Bayes – classificador Naive-bayes cujos vetores caraterísticos apresentados para cada pesponto é o histograma médio das áreas de pesponto presente na imagem. O sistema encontra-se em pleno funcionamento desde dezembro de 2012 na linha produtiva na unidade fabril da Faurecia em São João da Madeira.
REFERÊNCIAS [1]
UREËWLFD
Dennis
Luesebrink,
“Self-Organising
Maps For Colour Recognition”, available in: http://aidepot.com/Tutorial/SomColour.html; (27/12/2006); [2]
A componente de software é constituída pela aplicação informática “Castinspector”, desenvolvida pela ENERMETER e proprietária desta. Na Figura 4 pode observar-se uma imagem geral da aplicação. A parametrização do sistema (zona 5 na Figura 4) permite a introdução de novos modelos no classificador Bayesiano para um produto já existente ou para um novo produto.
Max
A Doncescu, J Aguilar-Martin, JC Atine, “Image color segmentation using the fuzzy tree algorithm T-LAMDA”, Fuzzy Sets and Systems Vol. 158, Issue 3, pp. 230-238, February 2007;
[3]
Yi Fang, Chen Pan, Li Liu, “On-line Training of Neural Network for Color Image Segmentation”, Advances in Natural Computation, Lecture
A aceitação do sistema decorreu em dezembro de 2012 nas instalações da Faurecia, tendo-se apresentado ao sistema 200 encostos com 5 tons de cinza distintos. O sistema detetou 7 estofos com o pesponto posicionado incorretamente e apresentou uma
Notes in Computer Science, Volume 3611, 2005, pp 135-138; [4]
D. Lee, “Color Segmentation and Object Identification using a Naive Bayes Classifier and Gaussian Mixture Models”, Learning in Robotics Spring Lecture Notes. University of Pennsylvania;
[5]
Benjamin D. Zarit, Boaz J. Super, Francis K. H. Quek, “Comparison of Five Color Models in Skin Pixel Classification”, in Proceedings of the International Workshop on Recognition, Analysis, and Tracking of Faces and Gestures in Real-Time Systems, p.58, September 1999;
[6]
Jon Y. Hardeberg, “Acquisition and reproduction of color images: Colorimetric and Multispectral Approaches”, PhD Thesis, USA, 2001, available in www.Dissertation.com;
[7]
Alexander Poularikas, Digital Color Imaging Handbook: CRC Press, 2003;
[8]
Jorge Salvador Marques, Reconhecimento de Padrões: Métodos Estatísticos e Neuronais, 2nd
Figura 4. Vista geral da aplicação.
Ed., ist press, 2005.